光轮智能斩获10亿融资，物理AI时代的“数据英伟达”如何崛起

type

status

date

slug

summary

物理AI的瓶颈：为什么我们需要“数据的英伟达”

在大模型时代，英伟达（NVIDIA）凭借 GPU、CUDA 软硬件生态以及开发者工具链，构建了全行业共同调用的技术接口，成为了 AI 时代的绝对基础设施霸主。它解决的是算力与模型部署的标准化问题。

然而，当机器人等物理 AI 实体试图在真实世界中执行任务时，算力已经不是唯一的瓶颈。机器人必须面对真实世界中的接触、受力、摩擦、材料反馈以及长时序的复杂任务。这不仅需要它“看到并理解世界”，更需要它“在真实世界中持续学习”。

目前的物理 AI 行业极度缺乏能够连接真实经验、仿真训练、规模化评测和部署反馈的持续学习系统。光轮智能所瞄准的，正是这个生态位——通过构建物理 AI 的数据与评测基础设施，成为物理 AI 时代的“数据英伟达”。

核心武器：SimFoundry 与 Real2Sim2Real 闭环

光轮智能之所以能够获得资本的青睐，核心在于其构建了一套完整的机器人学习系统。这套系统围绕两个闭环展开：一是覆盖数据供给、规模化评测与真实部署反馈的价值链闭环；二是从真实世界到仿真世界，再回到真实部署的 Real2Sim2Real 闭环。

在产品架构上，光轮智能推出了三大核心模块：

EgoSuite：负责沉淀高质量、规模化、跨本体的人类行为数据。它记录的不是简单的机械动作，而是人类在真实世界中的观察、操作、纠错和长程任务经验，是机器人获取规模化行为经验的入口。

RoboFinals：提供工业级的规模化评测。通过标准化的任务、可复现的环境和可比较的指标，精准判断机器人模型的能力边界与失败模式，从而反向定义下一轮的数据需求。

RoboStack：连接真实部署反馈。当机器人进入工厂、仓库、农业等产业现场后，会将遇到的异常情况和失败样本重新带回系统，成为下一轮学习的起点。

支撑这三大模块运转的，是光轮自研的物理 AI 仿真基础设施 SimFoundry。该平台通过“求解—测量—生成”三位一体的技术路径，利用物理求解还原真实世界中的力学反馈，结合真实测量引入关键物理参数，再通过生成式 AI 将真实世界转化为可训练、可评测的仿真场景。目前，光轮智能已成为全球唯一同时覆盖这三类能力并实现规模化交付的企业。

场景即资产：地方国资为何重金押注物理AI

本轮融资的一大亮点是北京、四川、山东等地方国资的深度参与。在传统的机器人产业发展中，地方政府更多关注整机制造、应用示范和产业园区建设。但在物理 AI 阶段，真实产业场景本身正在成为稀缺的“数据金矿”。

这些丰富的工业、农业、物流场景并不能直接转化为大模型的训练数据，它们需要经过采集、结构化、仿真转化、任务定义和评测验证。光轮智能的价值在于，它能够帮助地方政府将这些真实场景转化为可训练、可评测、可复用的数据和标准体系。地方资本的注入，实际上是在投资将地方产业场景转化为物理 AI 基础设施资产的能力，从而抢占未来 AGI 产业的制高点。

构建开放生态：物理AI的未来图景

基础设施的真正价值在于生态的释放。光轮智能正在通过推进开放生态，将数据与评测基础设施接入更多生产端、算力端、模型端和场景端：

硬件与数据侧：与 PICO、舞肌等设备厂商协同，推动头显、灵巧手、触觉手套等设备的标准化采集。

算力与云端：与阿里云、摩尔线程等伙伴合作，支撑仿真训练在云端高效运行。

模型与生成侧：与生数科技等团队协同，推动生成世界从“视觉真实”走向“物理可信、任务可用”。

标准建设：与国家机器人检测与评定中心共同推进“真实+仿真”评测闭环，并作为唯一中国企业加入国际开源物理仿真引擎 Newton 技术指导委员会（TSC），与英伟达、谷歌 DeepMind 等顶尖机构共同制定下一代标准。

物理 AI 正处于基础设施接口产生的关键窗口期。随着“数据的英伟达”逐渐成型，机器人和具身智能的开发效率将迎来指数级提升。

了解更多关于 人工智能 发展趋势、大模型 应用落地以及 AI变现 的最新案例，请持续关注 AI门户 AIGC.bar，获取每日最新的 AI日报 与深度行业解析。